针对智能网联汽车无法连通所有目标参与者的问题,提出利用路端设备的检测特性优化YOLOv5算法检测和定位性能,从而检测交通参与者和识别目标车道。首先,将YOLOv5中的损失函数替换为Focal-EIOU Loss(Focal and Efficient Intersection Ove...针对智能网联汽车无法连通所有目标参与者的问题,提出利用路端设备的检测特性优化YOLOv5算法检测和定位性能,从而检测交通参与者和识别目标车道。首先,将YOLOv5中的损失函数替换为Focal-EIOU Loss(Focal and Efficient Intersection Over Union Loss),以确保道路目标定位的准确性,同时解决道路通过目标的种类不均衡的问题;其次,采用C2f模块替换原C3模块连接不同特征层,以优化网络的特征提取能力,并通过融入SimAM(Simple Attention Module)机制为各类特征加权,提高网络检测能力。实验结果表明,所提算法有更高的检测框准确性,比原始YOLOv5的召回率提高了5.1个百分点,交并比(IOU)为0.5时的平均精度均值(mAP)提高了3.8个百分点。同时,与YOLOv8s等其他6种检测算法相比,所提算法在检测框回归率和整体表现上均有优越性。此外,所提算法将检测框转换为准确像素点的计算公式,并利用像素区域分割判断道路目标区域,实现了路端监控的车辆和车道识别,为智能网联汽车中“车-路”联通提供了可参考方案。展开更多
文摘针对智能网联汽车无法连通所有目标参与者的问题,提出利用路端设备的检测特性优化YOLOv5算法检测和定位性能,从而检测交通参与者和识别目标车道。首先,将YOLOv5中的损失函数替换为Focal-EIOU Loss(Focal and Efficient Intersection Over Union Loss),以确保道路目标定位的准确性,同时解决道路通过目标的种类不均衡的问题;其次,采用C2f模块替换原C3模块连接不同特征层,以优化网络的特征提取能力,并通过融入SimAM(Simple Attention Module)机制为各类特征加权,提高网络检测能力。实验结果表明,所提算法有更高的检测框准确性,比原始YOLOv5的召回率提高了5.1个百分点,交并比(IOU)为0.5时的平均精度均值(mAP)提高了3.8个百分点。同时,与YOLOv8s等其他6种检测算法相比,所提算法在检测框回归率和整体表现上均有优越性。此外,所提算法将检测框转换为准确像素点的计算公式,并利用像素区域分割判断道路目标区域,实现了路端监控的车辆和车道识别,为智能网联汽车中“车-路”联通提供了可参考方案。
